特開 2023-167975 交通状態判定装置、交通状態判定方法、コンピュータプログラム、学習モデル、及び機械学習方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2023167975

(43)【公開日】2023-11-24

(54)【発明の名称】交通状態判定装置、交通状態判定方法、コンピュータプログラム、学習モデル、及び機械学習方法

(51)【国際特許分類】

   G06N 3/04 20230101AFI20231116BHJP

   G08G 1/01 20060101ALI20231116BHJP

   G08G 1/00 20060101ALI20231116BHJP

【ＦＩ】

G06N3/04

G08G1/01 A

G08G1/00 J

【審査請求】未請求

【請求項の数】13

【出願形態】ＯＬ

(21)【出願番号】P 2022079549

(22)【出願日】2022-05-13

(71)【出願人】

【識別番号】504126112

【氏名又は名称】住友電工システムソリューション株式会社

(74)【代理人】

【識別番号】110000280

【氏名又は名称】弁理士法人サンクレスト国際特許事務所

(72)【発明者】

【氏名】大平 章太郎

(72)【発明者】

【氏名】白上 龍

(72)【発明者】

【氏名】前田 亮太

(72)【発明者】

【氏名】北原 稔也

【テーマコード（参考）】

5H181

【Ｆターム（参考）】

5H181AA01

5H181BB04

5H181BB05

5H181CC18

5H181DD02

5H181DD03

5H181EE03

5H181EE15

5H181JJ02

(57)【要約】

【課題】交通における異常状態を正確に検出する。
【解決手段】交通状態判定装置は、異常検知区域における交通状態を示す入力データから、前記異常検知区域における交通状態を示す出力データを生成する学習モデルと、前記入力データ及び前記出力データに基づいて、交通異常状態が発生しているか否かを判定する状態判定部と、を備え、前記学習モデルは、長・短期記憶エンコーダと、リピートベクタと、長・短期記憶デコーダと、を含むオートエンコーダである。
【選択図】図５

【特許請求の範囲】

【請求項1】

異常検知区域における交通状態を示す入力データから、前記異常検知区域における交通状態を示す出力データを生成する学習モデルと、
前記入力データ及び前記出力データに基づいて、交通異常状態が発生しているか否かを判定する状態判定部と、
を備え、
前記学習モデルは、
前記入力データを受け付け、特徴データを出力する長・短期記憶エンコーダと、
前記長・短期記憶エンコーダから出力される前記特徴データを受け付け、受け付けた前記特徴データを繰り返し出力するリピートベクタと、
前記リピートベクタから出力される前記特徴データを受け付け、受け付けた前記特徴データから前記入力データを復元する復元処理を行い、前記復元処理の結果として得られる前記出力データを出力する長・短期記憶デコーダと、
を含むオートエンコーダである、
交通状態判定装置。

【請求項2】

前記交通状態判定装置は、
第１異常検知区域における交通状態を示す第１入力データと、前記第１異常検知区域とは異なる第２異常検知区域における交通状態を示す第２入力データとを前記学習モデルに順次入力する入力部と、
前記第１入力データと前記学習モデルに前記第１入力データが入力された場合に得られる第１出力データとに基づいて前記状態判定部が前記第１異常検知区域において交通異常状態が発生したか否かを判定した結果である第１判定結果、及び、前記第２入力データと前記学習モデルに前記第２入力データが入力された場合に得られる第２出力データとに基づいて前記状態判定部が前記第２異常検知区域において交通異常状態が発生したか否かを判定した結果である第２判定結果に基づいて、前記第１異常検知区域及び前記第２異常検知区域に含まれる複数の区間のうち交通異常状態が発生している区間を特定する異常区間特定部と、
をさらに備える、
請求項１に記載の交通状態判定装置。

【請求項3】

前記第１異常検知区域の一部と前記第２異常検知区域の一部とは重複する、
請求項２に記載の交通状態判定装置。

【請求項4】

前記異常区間特定部は、前記第１判定結果が前記第１異常検知区域において交通異常状態が発生していることを示し、 前記第２判定結果が前記第２異常検知区域において交通異常状態が発生していることを示している場合に、前記第１異常検知区域と前記第２異常検知区域との重複区間を、交通異常状態が発生している区間として特定する、
請求項３に記載の交通状態判定装置。

【請求項5】

前記入力部は、前記異常検知区域における交通状態を示す交通状態情報に、統計情報を用いた前処理を施すことによって前記入力データを生成する、
請求項２から請求項４のいずれか１項に記載の交通状態判定装置。

【請求項6】

前記統計情報は、過去の交通状態情報の平均値と、前記過去の交通状態情報の標準偏差とを含む、
請求項５に記載の交通状態判定装置。

【請求項7】

前記統計情報は、前記交通状態情報が取得された異常検知区域、日種、及び時間帯の少なくとも１つにおける過去の交通状態情報が統計処理された値である、
請求項５に記載の交通状態判定装置。

【請求項8】

前記交通状態情報は、前記異常検知区域における渋滞長、交通量、及び旅行時間の少なくとも１つを含む、
請求項５に記載の交通状態判定装置。

【請求項9】

前記状態判定部は、前記入力データと、前記出力データとの類似度に基づいて、前記交通異常状態が発生しているか否かを判定し、
前記類似度は、ｃｏｓ類似度、ユークリッド距離、動的時間伸縮、又はピアソンの相関係数である、
請求項１に記載の交通状態判定装置。

【請求項10】

学習モデルによって、異常検知区域における交通状態を示す入力データから、前記異常検知区域における交通状態を示す出力データを生成するステップと、
前記入力データ及び前記出力データに基づいて、交通異常状態が発生しているか否かを判定するステップと、
を含み、
前記学習モデルは、
前記入力データを受け付け、特徴データを出力する長・短期記憶エンコーダと、
前記長・短期記憶エンコーダから出力される前記特徴データを受け付け、受け付けた前記特徴データを繰り返し出力するリピートベクタと、
前記リピートベクタから出力される前記特徴データを受け付け、受け付けた前記特徴データから前記入力データを復元する復元処理を行い、前記復元処理の結果として得られる前記出力データを出力する長・短期記憶デコーダと、
を含むオートエンコーダである、
交通状態判定方法。

【請求項11】

コンピュータに交通状態を判定させるためのコンピュータプログラムであって、
前記コンピュータに、
学習モデルによって、異常検知区域における交通状態を示す入力データから、前記異常検知区域における交通状態を示す出力データを生成するステップと、
前記入力データ及び前記出力データに基づいて、交通異常状態が発生しているか否かを判定するステップと、
を実行させ、
前記学習モデルは、
前記入力データを受け付け、特徴データを出力する長・短期記憶エンコーダと、
前記長・短期記憶エンコーダから出力される前記特徴データを受け付け、受け付けた前記特徴データを繰り返し出力するリピートベクタと、
前記リピートベクタから出力される前記特徴データを受け付け、受け付けた前記特徴データから前記入力データを復元する復元処理を行い、前記復元処理の結果として得られる前記出力データを出力する長・短期記憶デコーダと、
を含むオートエンコーダである、
コンピュータプログラム。

【請求項12】

オートエンコーダによって構成される学習モデルであって、
コンピュータを、
異常検知区域における交通状態を示す入力データを受け付け、特徴データを出力する長・短期記憶エンコーダと、
前記長・短期記憶エンコーダから出力される前記特徴データを受け付け、受け付けた前記特徴データを繰り返し出力するリピートベクタと、
前記リピートベクタから出力される前記特徴データを受け付け、受け付けた前記特徴データから前記入力データを復元する復元処理を行い、前記復元処理の結果として得られる出力データを出力する長・短期記憶デコーダと、
として機能させるための、
学習モデル。

【請求項13】

異常検知区域における交通状態を判定するために用いられる学習モデルを生成するための機械学習方法であって、
学習前モデルに、交通状態を示すトレーニングデータを入力し、前記学習前モデルに前記トレーニングデータに近似した情報を出力させるステップを含み、
前記学習前モデルは、
前記トレーニングデータを受け付け、特徴データを出力する長・短期記憶エンコーダと、
前記長・短期記憶エンコーダから出力される前記特徴データを受け付け、受け付けた前記特徴データを繰り返し出力するリピートベクタと、
前記リピートベクタから出力される前記特徴データを受け付け、受け付けた前記特徴データから前記トレーニングデータを復元する復元処理を行い、前記復元処理の結果として得られる第１トレーニング出力データを出力する第１長・短期記憶デコーダと、
前記リピートベクタから出力される前記特徴データを受け付け、受け付けた前記特徴データから前記トレーニングデータを復元する復元処理を行い、前記復元処理の結果として得られる第２トレーニング出力データを出力する第２長・短期記憶デコーダと、
を含むオートエンコーダであり、
前記第１トレーニング出力データに含まれる要素の並び順が、前記トレーニングデータに含まれる要素の並び順と同一であり、
前記第２トレーニング出力データに含まれる要素の並び順が、前記トレーニングデータに含まれる要素の並び順と逆である、
機械学習方法。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、交通状態判定装置、交通状態判定方法、コンピュータプログラム、学習モデル、及び機械学習方法に関する。

【背景技術】

【0002】

特許文献１には、異常交通流（事故等の突発事象によって交通容量の低下した交通流）を検出する検出装置が開示されている。特許文献１に開示される検出装置は、現在までの交通状態量データに基づいて現時点から所定時間後の交通状態量を予測し、交通状態量の予測値に基づいて異常交通流判定用上下閾値を設定し、所定時間後において検出された実際の交通状態量が上下閾値間の範囲外にあるか否かを判定し、範囲外にあるときに交通流が異常であると判定する。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開平３－１６７７４２号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

特許文献１に開示された検出装置では、現時点から所定時間後の交通状態量を正確に予測できなければ、異常交通流判定用の閾値を適切に設定することができず、異常交通流の検出精度が低下する。さらに、事故等の突発事象の内容及び程度、突発事象発生時点における交通量、突発事象発生箇所の道路形状等によって、突発事象発生後の交通流は変化する。上記のような突発事象に関する様々な状況に応じて、適切な閾値を設定することは困難である。

【課題を解決するための手段】

【0005】

本開示の一態様に係る交通状態判定装置は、異常検知区域における交通状態を示す入力データから、前記異常検知区域における交通状態を示す出力データを生成する学習モデルと、前記入力データ及び前記出力データに基づいて、交通異常状態が発生しているか否かを判定する状態判定部と、を備え、前記学習モデルは、前記入力データを受け付け、特徴データを出力する長・短期記憶エンコーダと、前記長・短期記憶エンコーダから出力される前記特徴データを受け付け、受け付けた前記特徴データを繰り返し出力するリピートベクタと、前記リピートベクタから出力される前記特徴データを受け付け、受け付けた前記特徴データから前記入力データを復元する復元処理を行い、前記復元処理の結果として得られる前記出力データを出力する長・短期記憶デコーダと、を含むオートエンコーダである。

【0006】

本開示は、上記のような特徴的な構成を備える交通状態判定装置として実現することができるだけでなく、交通状態判定装置における特徴的な処理をステップとする交通状態判定方法として実現することができる。本開示は、コンピュータを通信制御装置として機能させるコンピュータプログラムとして実現したり、交通状態判定装置又は他の装置が実行する機械学習によって生成される、交通状態判定用の学習モデルとして実現したりすることができる。さらに、本開示は、交通状態判定装置の一部又は全部を半導体集積回路として実現したり、交通状態判定装置を含む交通状態判定システムとして実現したりすることができる。

【発明の効果】

【0007】

本開示によれば、交通における異常状態を正確に検出することができる。

【図面の簡単な説明】

【0008】

【図1】交通信号制御システムの全体構成の一例を示す図である。

【図2】異常検知区域の一例を説明するための図である。

【図3】実施形態に係る交通状態判定装置の構成の一例を示すブロック図である。

【図4】実施形態に係る学習モデルの構成の一例を示す模式図である。

【図5】実施形態に係る交通状態判定装置の機能の一例を示す機能ブロック図である。

【図6】統計情報の一例を説明する図である。

【図7】ｃｏｓ類似度に対する前処理の式における定数項Δの影響を説明するための図である。

【図8】閾値の設定の一例を説明するためのグラフである。

【図9】異常区間の特定の一例を説明するための図である。

【図10】実施形態に係る機械学習の一例を示す模式図である。

【図11】実施形態に係る交通状態判定装置による交通状態判定処理の一例を示すフローチャートである。

【図12】交通状態判定の実験結果を示すグラフである。

【図13】実施形態に係る学習処理の一例を示すフローチャートである。

【発明を実施するための形態】

【0009】

＜本開示の実施形態の概要＞
以下、本開示の実施形態の概要を列記して説明する。

【0010】

（１） 本実施形態に係る交通状態判定装置は、異常検知区域における交通状態を示す入力データから、前記異常検知区域における交通状態を示す出力データを生成する学習モデルと、前記入力データ及び前記出力データに基づいて、交通異常状態が発生しているか否かを判定する状態判定部と、を備え、前記学習モデルは、前記入力データを受け付け、特徴データを出力する長・短期記憶エンコーダと、前記長・短期記憶エンコーダから出力される前記特徴データを受け付け、受け付けた前記特徴データを繰り返し出力するリピートベクタと、前記リピートベクタから出力される前記特徴データを受け付け、受け付けた前記特徴データから前記入力データを復元する復元処理を行い、前記復元処理の結果として得られる前記出力データを出力する長・短期記憶デコーダと、を含むオートエンコーダである。長・短期記憶（以下、「ＬＳＴＭ」ともいう）は、長期記憶を可能とした再帰型ニューラルネットワーク（ＲＮＮ）の一種である。オートエンコーダは、入力データから特徴量を抽出（エンコード）し、入力データと同一の出力データを得るように復元（デコード）する。学習モデルが長・短期記憶エンコーダと、リピートベクタと、長・短期記憶デコーダとを含むオートエンコーダ（以下、「ＬＳＴＭ－ＡＥ」ともいう）であるため、時系列データである入力データの全体を反映し、入力データを高精度に復元した出力データを得ることができる。突発事象が発生したときの交通異常状態を反映した入力データは、正常な交通状態における入力データとは異なる傾向を示す。学習モデルは、このような交通異常状態を反映した入力データを正確に復元せず、入力データとは異なる出力データを生成する。したがって、入力データと出力データとに基づいて、交通状態が正常か異常かを正確に判定することができる。

【0011】

（２） 上記（１）において、前記交通状態判定装置は、第１異常検知区域における交通状態を示す第１入力データと、前記第１異常検知区域とは異なる第２異常検知区域における交通状態を示す第２入力データとを前記学習モデルに順次入力する入力部と、前記第１入力データと前記学習モデルに前記第１入力データが入力された場合に得られる第１出力データとに基づいて前記状態判定部が前記第１異常検知区域において交通異常状態が発生したか否かを判定した結果である第１判定結果、及び、前記第２入力データと前記学習モデルに前記第２入力データが入力された場合に得られる第２出力データとに基づいて前記状態判定部が前記第２異常検知区域において交通異常状態が発生したか否かを判定した結果である第２判定結果に基づいて、前記第１異常検知区域及び前記第２異常検知区域に含まれる複数の区間のうち交通異常状態が発生している区間を特定する異常区間特定部と、をさらに備えてもよい。これにより、異常検知区域よりも小さい区間単位で交通異常状態が発生している箇所を特定することができる。

【0012】

（３） 上記（２）において、前記第１異常検知区域の一部と前記第２異常検知区域の一部とは重複してもよい。これにより、第１異常検知区域と第２異常検知区域とを含む道路の連続した範囲において、交通状態を判定することができる。

【0013】

（４） 上記（３）において、前記異常区間特定部は、前記第１判定結果が前記第１異常検知区域において交通異常状態が発生していることを示し、前記第２判定結果が前記第２異常検知区域において交通異常状態が発生していることを示している場合に、前記第１異常検知区域と前記第２異常検知区域との重複区間を、交通異常状態が発生している区間として特定してもよい。これにより、第１異常検知区域及び第２異常検知区域の両方において交通異常状態が発生していると判定された場合、第１異常検知区域と第２異常検知区域との重複区間において交通異常状態が発生している可能性が高い。よって、交通異常状態が発生している可能性が高い区間を特定することができる。

【0014】

（５） 上記（２）から（４）のいずれか１つにおいて、前記入力部は、前記異常検知区域における交通状態を示す交通状態情報に、統計情報を用いた前処理を施すことによって前記入力データを生成してもよい。これにより、適切な前処理によって、異常検知区域における交通状態を正確に判定することができる。

【0015】

（６） 上記（５）において、前記統計情報は、過去の交通状態情報の平均値と、前記過去の交通状態情報の標準偏差とを含んでもよい。これにより、過去の交通状態を反映して交通状態の判定を行うことができる。

【0016】

（７） 上記（５）又は（６）において、前記統計情報は、前記交通状態情報が取得された異常検知区域、日種、及び時間帯の少なくとも１つにおける過去の交通状態情報が統計処理された値であってもよい。これにより、異常検知区域、日種、及び時間帯の少なくとも１つの過去の交通状態を反映して交通状態の判定を行うことができる。

【0017】

（８） 上記（５）から（７）のいずれか１つにおいて、前記交通状態情報は、前記異常検知区域における渋滞長、交通量、及び旅行時間の少なくとも１つを含んでもよい。渋滞長、交通量、及び旅行時間によって正確に交通状態を示すことができる。したがって、このような入力データを用いることによって交通異常状態を正確に検出することができる。

【0018】

（９） 上記（１）から（８）のいずれか１つにおいて、前記状態判定部は、前記入力データと、前記出力データとの類似度に基づいて、前記交通異常状態が発生しているか否かを判定し、前記類似度は、ｃｏｓ類似度、ユークリッド距離、動的時間伸縮、又はピアソンの相関係数であってもよい。これにより、交通状態の判定を正確に行うことができる。

【0019】

（１０） 本実施形態に係る交通状態判定方法は、学習モデルによって、異常検知区域における交通状態を示す入力データから、前記異常検知区域における交通状態を示す出力データを生成するステップと、前記入力データ及び前記出力データに基づいて、交通異常状態が発生しているか否かを判定するステップと、を含み、前記学習モデルは、前記入力データを受け付け、特徴データを出力する長・短期記憶エンコーダと、前記長・短期記憶エンコーダから出力される前記特徴データを受け付け、受け付けた前記特徴データを繰り返し出力するリピートベクタと、前記リピートベクタから出力される前記特徴データを受け付け、受け付けた前記特徴データから前記入力データを復元する復元処理を行い、前記復元処理の結果として得られる前記出力データを出力する長・短期記憶デコーダと、を含むオートエンコーダである。突発事象が発生したときの交通異常状態を反映した入力データは、正常な交通状態における入力データとは異なる傾向を示す。学習モデルは、このような交通異常状態を反映した入力データを正確に復元せず、入力データとは異なる出力データを生成する。したがって、入力データと出力データとに基づいて、交通状態が正常か異常かを正確に判定することができる。

【0020】

（１１） 本実施形態に係るコンピュータプログラムは、コンピュータに交通状態を判定させるためのコンピュータプログラムであって、前記コンピュータに、学習モデルによって、異常検知区域における交通状態を示す入力データから、前記異常検知区域における交通状態を示す出力データを生成するステップと、前記入力データ及び前記出力データに基づいて、交通異常状態が発生しているか否かを判定するステップと、を実行させ、前記学習モデルは、前記入力データを受け付け、特徴データを出力する長・短期記憶エンコーダと、前記長・短期記憶エンコーダから出力される前記特徴データを受け付け、受け付けた前記特徴データを繰り返し出力するリピートベクタと、前記リピートベクタから出力される前記特徴データを受け付け、受け付けた前記特徴データから前記入力データを復元する復元処理を行い、前記復元処理の結果として得られる前記出力データを出力する長・短期記憶デコーダと、を含むオートエンコーダである。突発事象が発生したときの交通異常状態を反映した入力データは、正常な交通状態における入力データとは異なる傾向を示す。学習モデルは、このような交通異常状態を反映した入力データを正確に復元せず、入力データとは異なる出力データを生成する。したがって、入力データと出力データとに基づいて、交通状態が正常か異常かを正確に判定することができる。

【0021】

（１２） 本実施形態に係る学習モデルは、オートエンコーダによって構成される学習モデルであって、コンピュータを、異常検知区域における交通状態を示す入力データを受け付け、特徴データを出力する長・短期記憶エンコーダと、前記長・短期記憶エンコーダから出力される前記特徴データを受け付け、受け付けた前記特徴データを繰り返し出力するリピートベクタと、前記リピートベクタから出力される前記特徴データを受け付け、受け付けた前記特徴データから前記入力データを復元する復元処理を行い、前記復元処理の結果として得られる出力データを出力する長・短期記憶デコーダと、として機能させる。突発事象が発生したときの交通異常状態を反映した入力データは、正常な交通状態における入力データとは異なる傾向を示す。学習モデルは、このような交通異常状態を反映した入力データを正確に復元せず、入力データとは異なる出力データを生成する。したがって、入力データと出力データとに基づいて、交通状態が正常か異常かを正確に判定することができる。

【0022】

（１３） 本実施形態に係る機械学習方法は、異常検知区域における交通状態を判定するために用いられる学習モデルを生成するための機械学習方法であって、学習前モデルに、交通状態を示すトレーニングデータを入力し、前記学習前モデルに前記トレーニングデータに近似した情報を出力させるステップを含み、前記学習前モデルは、前記トレーニングデータを受け付け、特徴データを出力する長・短期記憶エンコーダと、前記長・短期記憶エンコーダから出力される前記特徴データを受け付け、受け付けた前記特徴データを繰り返し出力するリピートベクタと、前記リピートベクタから出力される前記特徴データを受け付け、受け付けた前記特徴データから前記トレーニングデータを復元する復元処理を行い、前記復元処理の結果として得られる第１トレーニング出力データを出力する第１長・短期記憶デコーダと、前記リピートベクタから出力される前記特徴データを受け付け、受け付けた前記特徴データから前記トレーニングデータを復元する復元処理を行い、前記復元処理の結果として得られる第２トレーニング出力データを出力する第２長・短期記憶デコーダと、を含むオートエンコーダであり、前記第１トレーニング出力データに含まれる要素の並び順が、前記トレーニングデータに含まれる要素の並び順と同一であり、前記第２トレーニング出力データに含まれる要素の並び順が、前記トレーニングデータに含まれる要素の並び順と逆である。交通量の時系列データは、自己相関性が高い。ＬＳＴＭは、トレーニングデータを復元するように訓練される。しかし、自己相関性が高い時系列データで訓練されると、ＬＳＴＭは自己相関性を利用して直前の値を予測値とし、単純にトレーニングデータそのままのデータを出力するように訓練される。このような自己相関性の利用を抑制するために、学習前モデルは第２長・短期記憶デコーダを含む。第２長・短期記憶デコーダは、トレーニングデータとは逆順の第２トレーニング出力データを生成する。これにより、直前の値を繰り返すことが抑制され、正確に入力データを復元する学習モデルを構築することができる。

【0023】

＜本開示の実施形態の詳細＞
以下、図面を参照しつつ、本発明の実施形態の詳細を説明する。なお、以下に記載する実施形態の少なくとも一部を任意に組み合わせてもよい。

【0024】

［１．交通信号制御システム］
図１は、交通信号制御システムの全体構成の一例を示す図である。
図１中、交通信号制御システム１は、複数の信号灯器２、複数の交通信号制御機４、交通情報データベース６（以下、「データベース」を「ＤＢ」ともいう）、路側センサ８、及び交通状態判定装置１０を含む。

【0025】

図１中、信号灯器２及び交通信号制御機４は、複数の交差点Ｃｉ（ｉ＝１～１２）のそれぞれに設置されている。
なお、図１では、図示を簡略化するために、各交差点Ｃｉに信号灯器２を１つだけ示しているが、実際には互いに交差する道路の上り下り用として４つの信号灯器２が設置される。

【0026】

交通情報ＤＢ６及び交通状態判定装置１０は、交通管制センター等に設置される。
交通信号制御機４及び交通情報ＤＢ６は、５Ｇ（第５世代移動通信システム）等の移動通信システムによる無線通信が可能であり、互いに無線通信することで、相互に情報の授受が可能とされている。

【0027】

交通信号制御機４は、信号灯器２の灯色制御（信号制御）を行う。

【0028】

路側センサ８は、例えば、直下を走行する車両５を超音波感知する車両感知器や、インダクタンス変化で車両５を感知するループコイル、あるいはカメラの画像を画像処理して交通量や車両速度を計測する画像感知器等により構成される。
路側センサ８は、対象の交差点Ｃｉから延びる各方路の上流側に設置され、当該交差点Ｃｉに流入する車両台数（流入交通量）、車両速度、上流側の交差点からの旅行時間、渋滞長を計測する。ここで、渋滞とは、車両の過度集中、道路工事、事故等により道路上における車両の交通がとどこおり、速度がおおむね２０ｋｍ／ｈ以下になっている状態をいう。渋滞長とは、渋滞の先頭から末尾までの車列の長さをいう。旅行時間とは、ある区間を旅行するのに要した時間をいい、停止時間及び遅れ時間を含む。交通量とは、単位時間内の通過台数をいう。旅行時間は、上流側の交差点において車両が検出された時刻から、対象の交差点Ｃｉにおいて当該車両が検出された時刻までの時間に基づいて計測される。車両速度が所定値以下の車両が連続して感知された場合に渋滞が発生していると判断される。

【0029】

路側センサ８は、有線又は無線による通信回線を介して、対象の交差点Ｃｉに設置されている交通信号制御機４に接続されている。路側センサ８は、通信回線を通じて、計測結果を交通信号制御機４へ与える。計測結果は、交通信号制御機４によって信号灯器２の灯色制御に用いられる他、交通信号制御機４によって交通情報ＤＢ６へ転送される。
なお、計測結果には、交差点Ｃｉに流入する交通量、車両速度、旅行時間等が含まれる。路側センサ８は旅行時間及び渋滞長を計測しなくてもよい。例えば、交通管制センターに設置された装置（交通情報ＤＢ６等）が各路側センサ８による車両の検出時刻を取得し、旅行時間を算出してもよい。当該装置が、各路側センサ８によって検出された車両速度を取得し、渋滞の判定及び渋滞長の算出を行ってもよい。

【0030】

交通情報ＤＢ６及び交通状態判定装置１０は、ＬＡＮ（Local Area Network）等によって互いに通信可能に接続される。交通情報ＤＢ６は、交通状態を示す交通状態情報を記憶する。交通状態情報は、交通量、渋滞長、及び旅行時間を含む。交通状態情報は、時系列データである。すなわち、交通状態情報は、一定の時間間隔で計測された交通量、渋滞長、及び旅行時間それぞれの時系列データを含む。

【0031】

交通状態判定装置１０は、交通情報ＤＢ６に記憶された交通状態情報に基づいて、異常検知区域毎の交通状態を判定する。図２は、異常検知区域の一例を説明するための図である。交通状態判定装置１０による交通状態の判定対象の道路（以下、「対象経路」という）は、複数の単位区間を含んでいる。単位区間は、一定程度の長さを有する区間である。図２の例では、単位区間１～単位区間７の７つの単位区間によって対象経路が構成されている。

【0032】

異常検知区域は、対象経路の一部の区域であり、複数の単位区間を含む。図２の例では、１つの異常検知区域は、３つの単位区間によって構成されている。具体的には、異常検知区域Ａは単位区間１、単位区間２、及び単位区間３を含み、異常検知区域Ｂは単位区間２、単位区間３、及び単位区間４を含み、異常検知区域Ｃは単位区間３、単位区間４、及び単位区間５を含み、異常検知区域Ｄは単位区間４、単位区間５、及び単位区間６を含み、異常検知区域Ｅは単位区間５、単位区間６、及び単位区間７を含む。このように、複数の異常検知区域は、互いに重複した区間を有する。例えば、異常検知区域Ａと異常検知区域Ｂとは単位区間２及び単位区間３において重複し（単位区間２及び単位区間３を共有し）、異常検知区域Ｂと異常検知区域Ｃとは単位区間３及び単位区間４において重複し（単位区間３及び単位区間４を共有し）、異常検知区域Ａと異常検知区域Ｃとは単位区間３において重複する（単位区間３を共有する）。

【0033】

［２．交通状態判定装置の構成］
図３は、本実施形態に係る交通状態判定装置１０の構成の一例を示すブロック図である。

【0034】

交通状態判定装置１０は、プロセッサ１０１と、不揮発性メモリ１０２と、揮発性メモリ１０３と、入出力インタフェース１０４とを備える。

【0035】

揮発性メモリ１０３は、例えばＳＲＡＭ（Static Random Access Memory）、ＤＲＡＭ（Dynamic Random Access Memory）等の揮発性メモリである。不揮発性メモリ１０２は、例えばフラッシュメモリ、ハードディスク、ＲＯＭ（Read Only Memory）等の不揮発性メモリである。不揮発性メモリ１０２には、コンピュータプログラムである交通状態判定プログラム１０５及び交通状態判定プログラム１０５の実行に使用されるデータが格納される。交通状態判定装置１０の各機能は、交通状態判定プログラム１０５がプロセッサ１０１によって実行されることで実現される。交通状態判定プログラム１０５は、フラッシュメモリ、ＲＯＭ、ＣＤ－ＲＯＭなどの記録媒体に記憶させることができる。

【0036】

交通状態判定プログラム１０５は、学習モデル１０６を含む。さらに、不揮発性メモリ１０２には、訓練プログラム１０７が記憶される。訓練プログラム１０７は、機械学習用のコンピュータプログラムであり、機械学習によって学習モデル１０６を構築することができる。

【0037】

不揮発性メモリ１０２には、複数の統計情報１０８が記憶されている。統計情報１０８は、交通状態判定プログラム１０５によって使用される。

【0038】

プロセッサ１０１は、例えばＣＰＵ（Central Processing Unit）である。ただし、プロセッサ１０１は、ＣＰＵに限られない。プロセッサ１０１は、ＧＰＵ（Graphics Processing Unit）であってもよい。具体的な一例では、プロセッサ１０１は、マルチコアＧＰＵである。プロセッサ１０１は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）であってもよいし、ゲートアレイ、ＦＰＧＡ（Field Programmable Gate Array）等のプログラマブルロジックデバイスであってもよい。この場合、ＡＳＩＣ又はプログラマブルロジックデバイスは、交通状態判定プログラム１０５と同様の処理を実行可能に構成される。

【0039】

入出力インタフェース１０４は、例えばイーサネットインタフェース（「イーサネット」は登録商標）を含み、交通情報ＤＢ６に接続されている。さらに入出力インタフェース１０４は、液晶ディスプレイ等の表示装置１０９に接続されており、映像信号を表示装置１０９に出力することができる。

【0040】

［３．学習モデル］
学習モデル１０６は、プロセッサ１０１によって実行可能なコンピュータプログラムであり、交通状態の判定に用いられる。

【0041】

図４は、本実施形態に係る学習モデルの構成の一例を示す模式図である。学習モデル１０６は、ニューラルネットワークの１つであるオートエンコーダである。さらに具体的には、学習モデル１０６は、入力層１１１と、長・短期記憶エンコーダ（以下、「ＬＳＴＭエンコーダ」という）１１２と、リピートベクタ１１３と、第１長・短期記憶デコーダ（以下、「第１ＬＳＴＭデコーダ」という）１１４Ａと、第２長・短期記憶デコーダ（以下、「第２ＬＳＴＭデコーダ」という）１１４Ｂと、第１出力層１１５Ａと、第２出力層１１５Ｂとを含むＬＳＴＭ－ＡＥである。ＬＳＴＭエンコーダ１１２、リピートベクタ１１３、第１ＬＳＴＭデコーダ１１４Ａ及び第２ＬＳＴＭデコーダ１１４Ｂによって、中間層が構成される。

【0042】

入力層１１１は、入力データｘ（ｔ）を受け付ける。入力データｘ（ｔ）は、交通状態情報に基づく時系列データである。本実施形態では、入力データｘ（ｔ）は、交通状態情報である交通量ｘｐ（ｔ）に前処理が施されることによって生成される。入力データｘ（ｔ）の生成については後述する。入力層１１１は、受け付けた入力データｘ（ｔ）に含まれる要素を時系列で出力する。

【0043】

ＬＳＴＭエンコーダ１１２、第１ＬＳＴＭデコーダ１１４Ａ及び第２ＬＳＴＭデコーダ１１４Ｂは、ＬＳＴＭユニットによって構成される。ＬＳＴＭユニットは、ＲＮＮの一種であり、セルと、入力ゲートと、出力ゲートと、忘却ゲートとを含む。セルは、記憶部であり、セル状態と呼ばれる値Ｃ（ｔ）を有する。ＬＳＴＭユニットは、時系列データのある時刻ｔでの入力値Ｘ（ｔ）の入力を受け付け、出力値Ｈ（ｔ）を出力する。ＬＳＴＭユニットには、前回の出力値Ｈ（ｔ－１）がフィードバックされる。忘却ゲートは、シグモイド層を含み、Ｘ（ｔ）及びＨ（ｔ－１）に基づいて前回のセル状態Ｃ（ｔ－１）から除去（忘却）する要素を決定する。入力ゲートは、シグモイド層及びｔａｎｈ層を含み、新たなセル状態Ｃ（ｔ）において前回のセル状態Ｃ（ｔ）から更新する要素を決定する。出力ゲートは、シグモイド層を含み、今回のセル状態Ｃ（ｔ）のどの要素を出力値Ｈ（ｔ）とするかを決定する。

【0044】

ＬＳＴＭエンコーダ１１２は、入力層１１１から出力された時系列データである入力データｘ（ｔ）を受け付け、時系列データである特徴データｈ（ｔ）を出力する。特徴データｈ（ｔ）は、交通量の特徴を示すデータである。

【0045】

リピートベクタ１１３は、ＬＳＴＭエンコーダ１１２から出力される特徴データｈ（ｔ）を受け付け、特徴データｈ（ｔ）を繰り返し出力する。リピートベクタ１１３によって、入力層１１１に入力される入力データｘ（ｔ）の要素数と、第１出力層１１５Ａ及び第２出力層１１５Ｂから出力される出力データｙ（ｔ）の要素数とが一致する。

【0046】

第１ＬＳＴＭデコーダ１１４Ａは、リピートベクタ１１３から出力された特徴データｈ（ｔ）を受け付け、時系列データである第１出力データｙ（ｔ）を出力する。第１ＬＳＴＭデコーダ１１４Ａは、入力データｘ（ｔ）の復元を行い、復元結果として第１出力データｙ（ｔ）を生成する。すなわち、復元が正常であれば、第１出力データｙ（ｔ）は入力データｘ（ｔ）に近似する。

【0047】

第２ＬＳＴＭデコーダ１１４Ｂは、リピートベクタ１１３から出力された特徴データｈ（ｔ）を受け付け、時系列データである第２出力データｙ＿ｉｎｖ（ｔ）を出力する。第２ＬＳＴＭデコーダ１１４Ｂは、入力データｘ（ｔ）の復元を行い、復元結果として第２出力データｙ＿ｉｎｖ（ｔ）を生成する。ただし、第２出力データｙ＿ｉｎｖ（ｔ）は、第１出力データｙ（ｔ）の逆順のデータである。つまり、第１出力データｙ（ｔ）に含まれる要素の並び順は、入力データｘ（ｔ）に含まれる要素の並び順と同一であり、第２出力データｙ＿ｉｎｖ（ｔ）に含まれる要素の並び順は、入力データｘ（ｔ）に含まれる要素の並び順と逆である。

【0048】

第１出力層１１５Ａは、第１ＬＳＴＭデコーダ１１４Ａからの第１出力データｙ（ｔ）を受け付け、第１出力データｙ（ｔ）を出力する。第２出力層１１５Ｂは、第２ＬＳＴＭデコーダ１１４Ｂからの第２出力データｙ＿ｉｎｖ（ｔ）を受け付け、第２出力データｙ＿ｉｎｖ（ｔ）を出力する。第１出力層１１５Ａ及び第２出力層１１５Ｂのそれぞれは、Ｄｅｎｓｅである。

【0049】

学習モデル１０６は、後述する訓練処理によって構築される。

【0050】

［４．交通状態判定装置の機能］
図５は、本実施形態に係る交通状態判定装置１０の機能の一例を示す機能ブロック図である。交通状態判定装置１０は、入力部１２１、選択部１２２、状態判定部１２３、異常区間特定部１２４、及び映像信号出力部１２５の各機能を有する。

【0051】

交通情報ＤＢ６には、単位区間毎の渋滞長、交通量、及び旅行時間を含む交通状態情報が蓄積される。入力部１２１は、交通状態の判定対象の異常検知区域における最新の一定期間の交通量情報を交通情報ＤＢ６から受け付ける。交通量情報には、例えば、計測された時刻を示す時刻情報（タイムスタンプ）が含まれる。

【0052】

入力部１２１は、受け付けた交通量ｘｐ（ｔ）に対して前処理を施し、入力データｘ（ｔ）を出力する。前処理は、統計情報を用いた処理である。具体的な一例では、前処理は、交通量ｘｐ（ｔ）に対して式（１）を適用する処理である。

【数1】

ただし、μ（ｔ）は過去の交通量（例えば、対象経路の過去の交通量）の平均値であり、σ（ｔ）は過去の交通量の標準偏差であり、Δは定数である。

【0053】

統計情報１０８は、交通量の平均値μ（ｔ）と、交通量の標準偏差σ（ｔ）とを含む。統計情報１０８は、交通状態情報が取得された異常検知区域、日種、及び時間帯の少なくとも１つにおける過去の交通状態情報が統計処理された値である。具体的な一例では、統計情報１０８は、異常検知区域毎、日種毎、及び時間帯毎に不揮発性メモリ１０２に格納される。図６は、統計情報の一例を説明する図である。交通状態は、朝及び夕方、夜間、昼間等の時間帯によって交通状態は異なる傾向を示す。このような時間帯に応じた交通状態の傾向に対応するため、統計情報１０８は、複数の時間帯毎に設けられる。具体的には、１時間の各時間帯に対応して統計情報１０８が設けられる。平日、土曜日、日曜日・祝日等の日種によって交通状態は異なる傾向を示す。このような日種に応じた交通状態の傾向に対応するため、統計情報１０８はさらに、複数の日種毎に設けられる。具体的には、平日、土曜日、及び日曜日・祝日の各日種に対応して統計情報１０８が設けられる。つまり、平日の各時間帯に対応して１つずつの統計情報１０８が設けられ、土曜日の各時間帯に対応して１つずつの統計情報１０８が設けられ、日曜日及び祝日の各時間帯に対応して１つずつの統計情報１０８が設けられる。さらに、異常検知区域毎に、図６のような日種毎、時間帯毎の統計情報１０８が設けられる。

【0054】

図５に戻り、選択部１２２は、交通状態の判定対象の異常検知区域、日種、及び時間帯に対応した統計情報１０８を選択する。入力部１２１は、選択部１２２によって選択された統計情報１０８に含まれる平均値μ（ｔ）及び標準偏差σ（ｔ）を用いて、式（１）により交通量情報ｘｓ（ｔ）に前処理を施す。これにより、入力データｘ（ｔ）が生成される。

【0055】

入力部１２１は、生成された入力データｘ（ｔ）を学習モデル１０６に入力する。学習モデル１０６は、入力データｘ（ｔ）から特徴データｈ（ｔ）を生成し、特徴データｈ（ｔ）から第１出力データｙ（ｔ）及び第２出力データｙ＿ｉｎｖ（ｔ）を生成する。学習モデル１０６は、生成された第１出力データｙ（ｔ）及び第２出力データｙ＿ｉｎｖ（ｔ）を出力する。

【0056】

入力データｘ（ｔ）及び第１出力データｙ（ｔ）は、状態判定部１２３に与えられる。状態判定部１２３は、入力データｘ（ｔ）及び出力データｙ（ｔ）に基づいて、交通状態を判定する。すなわち、状態判定部１２３は、異常検知区域において、交通異常状態が発生しているか否かを判定する。

【0057】

状態判定部１２３は、入力データｘ（ｔ）と出力データｙ（ｔ）との類似度を算出する。具体的な一例では、状態判定部１２３は、類似度として、入力データｘ（ｔ）と出力データｙ（ｔ）とのｃｏｓ類似度を算出する。２つのベクトルｑ，ｄのｃｏｓ類似度は、式（２）によって与えられる。

【数2】

ただし、Ｖはベクトルｑ，ｄの要素数である。

【0058】

ｃｏｓ類似度は、比較する２つのベクトルのなす角度に応じた値になる。すなわち、入力データｘ（ｔ）と出力データｙ（ｔ）とのなす角度が小さいほどｃｏｓ類似度は大きくなり、入力データｘ（ｔ）と出力データｙ（ｔ）とのなす角度が大きいほどｃｏｓ類似度は小さくなる。

【0059】

式（１）のΔの大きさは、ｃｏｓ類似度に影響する。式（１）においてΔを設けることで、交通状態が異常と判定された場合のｃｏｓ類似度の分散を小さくすることができる。図７は、ｃｏｓ類似度に対する前処理の式における定数項Δの影響を説明するための図である。ベクトルａ（１，１）とベクトルｂ（０，１）とのｃｏｓ類似度ｃｏｓ（ａ，ｂ）は、とベクトルａとベクトルｂとのなす角度θ１に応じて定まる。ここで、ｃｏｓ（ａ＋Δ，ｂ＋Δ）（ただし、Δ＞０）を考える。例えば、Δ＝５とすると、ベクトルａ＋Δは（６，６）であり、ベクトルｂ＋Δは（５，６）である。ベクトルａ＋Δとベクトルｂ＋Δとのなす角度θ２は、θ１より小さい。したがって、ｃｏｓ（ａ＋Δ，ｂ＋Δ）＞ｃｏｓ（ａ，ｂ）となる。このように、Δを適切に設定することにより、比較する２つのベクトルのなす角度を小さくすることができ、誤検知を抑制することができる。

【0060】

次に、閾値の設定について説明する。図８は、閾値の設定の一例を説明するためのグラフである。閾値の設定には、交通状態が正常であるか、異常であるかが既知の状態において、交通状態の判定を複数行った結果がサンプルとして用いられる。各サンプルには、交通異常状態であるか、交通異常状態ではない（交通状態が正常である）かのラベルが付されている。交通状態の異常のラベルが付されたサンプルにおいて、交通状態が異常と判定されてない場合、交通状態の異常が未検知であるという。交通状態の正常のラベルが付されたサンプルにおいて、交通状態が異常と判定された場合、交通状態の異常が誤検知であるという。図８において、縦軸は再現率を示し、横軸は適合率を示す。再現率は、１－未検知率である。未検知率は、交通状態の異常の全サンプル数に対する、異常未検知のサンプル数の比率である。適合率は、１－誤検知率である。誤検知率は、交通状態の正常の全サンプル数に対する、異常誤検知のサンプル数の比率である。

【0061】

図８における曲線Ｇは、閾値を変化させたときに、各閾値における再現率及び適合率をプロットして得られる。すなわち、この曲線Ｇ上の各位置は閾値を示す。閾値Ｔｈは、曲線Ｇにおいて、再現率及び適合率が（１，１）の点との距離が最も小さい位置に設定される。

【0062】

図５に戻り、状態判定部１２３は、算出されたｃｏｓ類似度と閾値とを比較し、ｃｏｓ類似度が閾値を超えれば交通状態が異常である、すなわち、交通異常状態が発生していると判定し、ｃｏｓ類似度が閾値以下であれば交通状態が正常である、すなわち、交通異常状態が発生していないと判定する。

【0063】

異常区間特定部１２４は、交通異常状態が発生していると判定された異常検知区域において、交通異常状態が発生している単位区間を特定する。具体的には、異常区間特定部１２４は、複数の異常検知区域において交通異常状態が発生していると判定された場合に、交通異常状態が発生していると判定された複数の異常検知区域に基づいて、交通異常状態が発生している単位区間（以下、「異常区間」ともいう）を特定する。

【0064】

例えば、入力部１２１が、第１異常検知区域における交通状態を示す第１入力データと、第１異常検知区域とは異なる第２異常検知区域における交通状態を示す第２入力データとを学習モデル１０６に順次入力した場合、状態判定部１２３は、第１入力データと、学習モデル１０６に第１入力データが入力された場合に得られる第１出力データとに基づいて、第１異常検知区域において交通異常状態が発生したか否かを判定し、第２入力データと学習モデル１０６に第２入力データが入力された場合に得られる第２出力データとに基づいて第２異常検知区域において交通異常状態が発生したか否かを判定する。異常区間特定部１２４は、第１異常検知区域において交通異常状態が発生したか否かの判定結果である第１判定結果と、第２異常検知区域において交通異常状態が発生したか否かの判定結果である第２判定結果とに基づいて、第１異常検知区域及び第２異常検知区域に含まれる複数の単位区間のうち異常区間を特定する。

【0065】

さらに具体的には、第１異常検知区域の一部と第２異常検知区域の一部とは重複しており、第１判定結果が第１異常検知区域において交通異常状態が発生していることを示し、第２判定結果が第２異常検知区域において交通異常状態が発生していることを示している場合に、異常区間特定部１２４は、第１異常検知区域と第２異常検知区域との重複区間を、異常区間として特定する。

【0066】

図９は、異常区間の特定の一例を説明するための図である。図９において、斜線のハッチングは、交通異常状態が発生していると判定された異常検知区域を示し、格子模様のハッチングは、異常区間として特定された単位区間を示す。図９の例では、異常検知区域Ｂ、Ｃ及びＤのそれぞれにおいて、交通異常状態が発生していると判定されている。異常検知区域Ｂ、Ｃ及びＤは、単位区間４において重複しており、単位区間４が異常区間として特定される。

【0067】

図５に戻り、映像信号出力部１２５は、交通異常状態の判定結果を示す映像信号を出力する。具体的な一例では、映像信号出力部１２５は、異常区間特定部１２４によって特定された異常区間を示す映像信号を出力する。映像信号は表示装置１０９に与えられ、異常区間が表示装置１０９によって表示される。例えば、映像信号出力部１２５は、異常区間が特定の色で示されたマップを表示装置１０９に表示させたり、異常区間の区間ＩＤを表示装置１０９に表示させたりすることができる。

【0068】

［５．学習機能］
次に、学習モデル１０６を作成する学習機能について説明する。学習機能は、訓練プログラム１０７によって実現される。

【0069】

交通状態判定装置１０等の訓練プログラム１０７を実行する装置は、学習モデル１０６を作成するために、交通情報ＤＢ６から交通量の時系列データを多数受信する。例えばユーザが、取得された交通量データから、異常なデータを取り除く。すなわち取得された交通量データから、正常な交通状態を示すデータが選別される（スクリーニング）。

【0070】

スクリーニング後の交通量データには前処理が施され、上記の入力データと同様のデータ形式のトレーニングデータを多数含むトレーニングデータセットが作成される。

【0071】

トレーニングデータセットをＬＳＴＭ－ＡＥに入力することで、学習モデル１０６が作成される。すなわち、訓練プログラム１０７を実行する装置は、トレーニングデータセットを用いて機械学習を実行し、学習モデル１０６を構築（再構築）する。

【0072】

図１０は、本実施形態に係る機械学習の一例を示す模式図である。訓練プログラム１０７を実行する装置は、ＬＳＴＭ－ＡＥにトレーニングデータセットを与え、教師なし機械学習を実行する。ＬＳＴＭ－ＡＥは、入力層と、ＬＳＴＭエンコーダと、リピートベクタと、第１ＬＳＴＭデコーダと、第２ＬＳＴＭデコーダと、第１出力層と、第２出力層とを含む。すなわち、学習前のＬＳＴＭ－ＡＥは、学習モデル１０６と同様の構成（ただし、ＬＳＴＭエンコーダと、第１ＬＳＴＭデコーダと、第２ＬＳＴＭデコーダとは学習前の状態）を有する。

【0073】

教師なし機械学習では、トレーニングデータが入力としてＬＳＴＭ－ＡＥに与えられ、入力と等しい出力が得られるように、すなわち、入力データと第１出力データとが等しく、且つ、入力データと、要素の並び順を逆とした第２出力データとが等しくなるように、重み（結合荷重）が調整される。このような機械学習は、複数のトレーニングデータを用いて繰り返し行われる。機械学習によって、ＬＳＴＭ－ＡＥの結合荷重が設定され、学習モデル１０６が構築される。

【0074】

［６．交通状態判定処理］
図１１は、本実施形態に係る交通状態判定装置１０による交通状態判定処理の一例を示すフローチャートである。図１１に示される交通状態判定処理は、学習モデル１０６のランタイムにおける処理である。

【0075】

交通状態判定処理が開始すると、プロセッサ１０１は、判定対象とする異常検知区域（以下、「対象区域」ともいう）を選択する（ステップＳ１０１）。次に交通状態判定装置１０は、交通情報ＤＢ６から対象区域の交通状態情報を受信する（ステップＳ１０２）。

【0076】

プロセッサ１０１は、不揮発性メモリ１０２に記憶された統計情報１０８の中から、受信された交通状態情報を、対象区域、日種、及び時間帯に対応する統計情報１０８を選択する（ステップＳ１０３）。プロセッサ１０１は、選択された統計情報１０８を用いて、交通状態情報に対して前処理を施す（ステップＳ１０４）。これにより、入力データが生成される。

【0077】

プロセッサ１０１は、学習モデル１０６に、入力データを入力する（ステップＳ１０５）。学習モデル１０６は、入力データから特徴量を抽出（エンコード）し、入力データを復元（デコード）した出力データを生成する。

【0078】

プロセッサ１０１は、入力データと出力データとのｃｏｓ類似度を算出する（ステップＳ１０６）。さらにプロセッサ１０１は、ｃｏｓ類似度と閾値とを比較し、ｃｏｓ類似度が閾値を超えるか否かを判定する（ステップＳ１０７）。

【0079】

プロセッサ１０１は、ｃｏｓ類似度が閾値より大きい場合（ステップＳ１０７においてＹＥＳ）、プロセッサ１０１は交通状態を正常と判定する（ステップＳ１０８）。ｃｏｓ類似度が閾値以下である場合（ステップＳ１０７においてＹＥＳ）、プロセッサ１０１は交通状態を異常と判定する（ステップＳ１０９）。

【0080】

プロセッサ１０１は、全ての異常検知区域が選択済みであるか否かを判定する（ステップＳ１１０）。未選択の異常検知区域が残っている場合（ステップＳ１１０においてＮＯ）、プロセッサ１０１は、ステップＳ１０１に戻り、新たな異常検知区域を選択し、ステップＳ１０２以降を実行する。

【0081】

全ての異常検知区域が選択済みである場合（ステップＳ１１０においてＹＥＳ）、プロセッサ１０１は、交通異常状態が発生していると判定された異常検知区域において重複している単位区間を、異常区間として特定する（ステップＳ１１１）。プロセッサ１０１は、交通状態の判定結果を表示装置１０９に表示させる（ステップＳ１１２）。以上で、交通状態判定処理が終了する。

【0082】

発明者は、本実施形態に係る交通状態判定装置を試作し、その性能を評価する実験を行った。図１２は、交通状態判定の実験結果を示すグラフである。図１２において、縦軸は１－ｃｏｓ類似度を示し、横軸は時刻を示す。このグラフでは、見やすさのために、縦軸をｃｏｓ類似度ではなく１－ｃｏｓ類似度としている。実験では、１７時１４分に人身事故が登録された１日の２４時間分の交通量の時系列データが用いられた。実験では、０時から１７時８分までは１－ｃｏｓ類似度が閾値Ｔｈより大きく、交通状態が正常と判定された。１７時８分から１９時過ぎまでは、１－ｃｏｓ類似度が閾値Ｔｈ以下であり、交通状態が異常と判定された。人身事故によって異常渋滞が発生したと考えられるが、この人身事故が登録される１７時１４分より前の１７時８分に、交通異常が検出されている。このように、実験の結果、本実施形態に係る交通状態判定方法が、良好な性能を有することが確認された。

【0083】

［７．学習処理］
図１３は、本実施形態に係る学習処理の一例を示すフローチャートである。図１３に示される学習処理は、学習モデル１０６のトレーニングタイムにおける処理である。

【0084】

学習処理が開始すると、交通状態判定装置１０は、過去の交通状態情報を交通情報ＤＢ６から受信する（ステップＳ２０１）。

【0085】

プロセッサ１０１は、取得された交通状態情報から異常なデータを除去する（ステップＳ２０２）。さらに、プロセッサ１０１は、異常なデータが除去された交通状態情報に対して前処理を施す（ステップＳ２０３）。これにより、交通量の時系列データに前処理が施されたトレーニングデータを多数含むトレーニングデータセットが作成される。前処理には、例えば、トレーニングに使用される交通状態情報に対応する異常検知区域、日種、及び時間帯の統計情報が用いられる。

【0086】

プロセッサ１０１は、トレーニングデータセットをＬＳＴＭ－ＡＥに与え、機械学習を実行する（ステップＳ２０４）。これによって、学習モデル１０６が構築される。以上で、学習処理が終了する。

【0087】

［８．変形例］
上記の実施形態では、異常検知区域、日種毎及び時間帯毎に統計情報１０８を設けたが、これに限定されない。例えば、異常検知区域のみに応じて統計情報１０８を設けてもよいし、日種のみに応じて統計情報１０８を設けてもよいし、時間帯のみに応じて統計情報１０８を設けてもよい。さらに、全ての異常検知区域、日種及び時間帯に対応する１つの統計情報１０８を設けてもよい。

【0088】

上記の実施形態では、使用する統計情報１０８を変えることによって、異常検知区域、日種毎及び時間帯の差異に合わせた交通状態の判定を行う構成としたが、これに限定されない。異常検知区域、日種毎又は時間帯毎に学習モデル１０６を構築してもよい。この場合、交通状態の判定対象の異常検知区域、日種、及び時間帯の少なくとも１つに対応した学習モデル１０６を選択し、選択された学習モデル１０６を用いて交通状態の判定を行うことができる。

【0089】

上記の実施形態では、交通量の時系列データを用いて交通状態の判定を行ったが、これに限定されない。渋滞長又は旅行時間を用いて交通状態の判定を行ってもよいし、交通量、渋滞長、及び旅行時間の２つ以上を用いて交通状態の判定を行ってもよい。

【0090】

上記の実施形態では、学習モデル１０６の入力データと出力データとの類似度としてｃｏｓ類似度を算出したが、これに限定されない。学習モデル１０６の入力データと出力データとの類似度として、ユークリッド距離、ＤＴＭ（動的時間伸縮）、又はピアソンの相関係数を算出してもよい。

【0091】

上記の実施形態では、学習モデル１０６が第１ＬＳＴＭデコーダ１１４Ａ及び第２ＬＳＴＭデコーダ１１４Ｂを含んだが、これに限定されない。第１ＬＳＴＭデコーダ１１４Ａ及び第２ＬＳＴＭデコーダ１１４Ｂのいずれか１つのみを学習モデル１０６が含んでもよい。すなわち、学習モデル１０６は、入力層１１１と、ＬＳＴＭエンコーダ１１２と、リピートベクタ１１３と、第１ＬＳＴＭデコーダ１１４Ａと、第１出力層１１５Ａとによって構成されてもよいし、入力層１１１と、ＬＳＴＭエンコーダ１１２と、リピートベクタ１１３と、第２ＬＳＴＭデコーダ１１４Ｂと、第２出力層１１５Ｂとによって構成されてもよい。ただし、学習モデル１０６が第２ＬＳＴＭデコーダ１１４Ｂ及び第２出力層１１５Ｂを含む場合、第２出力層１１５Ｂからの出力データの要素を逆順に並べ直し、ｃｏｓ類似度を算出する必要がある。さらに、学習前のＬＳＴＭ－ＡＥは、入力層と、ＬＳＴＭエンコーダと、リピートベクタと、第１ＬＳＴＭデコーダと、第１出力層と、第２ＬＳＴＭデコーダと、第２出力層とを含むことが必要である。つまり、ＬＳＴＭ－ＡＥを機械学習させた上で、学習モデルから第２ＬＳＴＭデコーダ１１４Ｂ及び第２出力層１１５Ｂを削除したり、第１ＬＳＴＭデコーダ１１４Ａ及び第１出力層１１５Ａを削除したりすればよい。

【0092】

交通状態判定装置１０が、交通状態判定処理と、学習処理とを実行する構成に限られない。例えば、学習処理は、交通状態判定装置１０とは異なる装置によって実行されてもよい。この場合、学習処理を実行した装置によって構築された学習モデル１０６又はその複製が、交通状態判定装置１０又は他の装置の不揮発性メモリに書き込まれてもよい。これにより、学習処理の実行環境を有しない装置に、学習モデル１０６を提供することができる。

【0093】

交通状態情報に含まれる渋滞長、交通量、及び旅行時間は、路側センサ８によって計測される構成としたが、これに限定されない。例えば、車両に設けられたセンサによって車速、車両の位置などを検出し、これらの検出データを含むプローブ情報を通信によって取得し、取得されたプローブ情報に基づいて、渋滞長、交通量、及び旅行時間等が算出されてもよい。

【0094】

［９．補記］
今回開示された実施の形態はすべての点で例示であって、制限的ではない。本発明の権利範囲は、上述の実施形態ではなく特許請求の範囲によって示され、特許請求の範囲と均等の意味及びその範囲内でのすべての変更が含まれる。

【符号の説明】

【0095】

１ 交通信号制御システム
２ 信号灯器
４ 交通信号制御機
５ 車両
６ 交通情報データベース（交通情報ＤＢ）
８ 路側センサ
１０ 交通状態判定装置
１０１ プロセッサ
１０２ 不揮発性メモリ
１０３ 揮発性メモリ
１０４ 入出力インタフェース（Ｉ／Ｏ）
１０５ 交通状態判定プログラム
１０６ 学習モデル
１０７ 訓練プログラム
１０８ 統計情報
１０９ 表示装置
１１１ 入力層
１１２ 長・短期記憶エンコーダ（ＬＳＴＭエンコーダ）
１１３ リピートベクタ
１１４Ａ 第１長・短期記憶デコーダ（第１ＬＳＴＭデコーダ）
１１４Ｂ 第２長・短期記憶デコーダ（第２ＬＳＴＭデコーダ）
１１５Ａ 第１出力層
１１５Ｂ 第２出力層
１２１ 入力部
１２２ 選択部
１２３ 状態判定部
１２４ 異常区間特定部
１２５ 映像信号出力部
θ１，θ２ 角度

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】